Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESOS ESTOCASTICOS Conjunto de v.a {Xt}tT tal que su distribucin conjunta es conocida.
Espacio de parmetros del proceso: T Espacio de Estados: Conjunto de todos los valores que pueden tomar la v.a
PROCESOS ESTOCASTICOS Conjunto de v.a {Xt}tT tal que su distribucin conjunta es conocida.
T: Espacio de parmetros del proceso Espacio de Estados: Conjunto de todos los valores que pueden tomar la v.a
PROCESOS ESTOCASTICOS
Estados Contable Contable Infinito no Cont. Infinito Parmetros Contable Infinito no Cont Contable Infinito Procesos Cadena Markov Estocstico Estocstico Estocstico
CADENA DE MARKOV
Finito contable, Finito contable Lanzar una moneda 1000.000 de veces Espacio de estados S= {0,1} Espacio de Parmetros T= {1,2,......1000.000}
Def: Sea un proceso {Yn}nT un proceso estocstico con espacio de estados y parmetros contables se dice que el proceso es una cadena de markov si P(Yn = in | Yn1=i1,Yn2=i2,.....Ynj=ij) n1<n2<n3...<nj) P(Yn=in | Yns=is) : Probabilidad que en el perodo n este en el estado in
CADENA DE MARKOV
Posibles Casos: Que el resultado solo dependa del ltimo tiempo Cuando las Yn son independientes, entonces las partes no dependen una de la otra.
4
7
5
8
6
9
Definiciones
Secuencia finita de datos: yt1t4 = {yt1, yt2, yt3, yt4} V.a que tome el valor de y: P(Y=y) Modelo de probabilidad: P(x) Distribucin de Probabilidad Conjunta de una secuencia de observaciones
T
Y1= {Y1,Y2,Y3,....YT)
Es dada por:
La secuencia observada Y1= {Y1,Y2,Y3,....YT) Se relaciona con La secuencia de estados Q T {Q ,Q ,Q ,....Q ) no observados 1= 1 2 3 T
Independencia P(y 1 |qt1,yt-1 ) = P(yt | qt) 1
t P(q t+1 |q1t,y1 ) = P(qt+1 | qt)
T-1
Dado que Q1 no es observada realmente interesa T representar la distribucin de P(y1), entonces, T T T T P(y1) = P(y1,q1)
T t-1 P(y1, qt) = P(yt|qt) P(qt|q t-1) P(y1 , q t-1)) t
.Evaluacin de la Probabilidad: Calcular eficientemente la probabilidad de una secuencia dada. Algoritmo de Forward o de Avance Algoritmo de Backward o Retroceso Secuencia de estados ptimo Algoritmo de Viterbi Estimacin de Parmetros Algoritmo de Baum-Welch (maximizacin): Optimizar las probabilidad de los parmetros del modelo, con el fin de ajustar los parmetros secuencia de entrenamiento hasta un punto dado.
Para algunas aplicaciones como en datos secuenciales o reconocimientos de cadenas (discurso) en un HMM se asume que los estados ocultos tienen un valor discreto, con una distribucin multinomial, haciendo entonces que la probabilidad de Transicin se pueda representar como: P(qt|q t-1) = A ij = P(Qt = i| q t-1 = j)
Este supuesto no siempre se puede aplicar, cuando los estados ocultos presentan un comportamiento continuo se habla de un espacio de estados, en que la probabilidad es gaussiana. Por otro lado tambin pueden ser hbridos (discreta-continua)
Para algunas aplicaciones como en datos secuenciales en un HMM Yt es una v.a discreta independiente y P(yt|q t), es multinomial. Entonces: P(yt|q t) = Bij = P(Yi | Qt =j)
Sea QT = {1,2,3,F}
= {a,b,c}
P(q1) {1,0,0,0}
1 A ij = 1 2 3
F Bij = 1 2 3
0.2 0.5 0.3 0.0 0.1 0.0 0.9 0.0 0.0 0.0 0.4 0.6
0.5 0.3
0.9
0.6
0.5 0.3
0.9
0.6
0.5 0.3
0.9
0.6
0.5 0.3
0.9
0.6
0.5 0.3
0.9
0.6
+ (P1.B1,c)
(1x0.7)
0.5 0.3
0.9
0.6
+ (P1.B1,c) (A1,2.B2,b)
(1x0.7) (0.2 x 0.3)
0.5 0.3
0.9
0.6
0.5 0.3
0.9
0.6
0.5 0.3
0.9
0.6
Muy usado para reconocimiento de voz, biologa molecular, fonemas, palabras, codificadores entre otros). Para secuencia de estados le corresponde una secuencia de labels de clasificacin (e.d, palabras, caracteres, fonemas, sufijos). T T Dado una secuencia observada Y1 = y1, inferir la ms probable T T secuencia de estados Q1 = q1 V(i,t) = P(y1|Q1=i) P(Q1=i) Si t=1
V(bcbaa,t) b c
1
Ini
0.2
1
0.1
1
0.5 2 0.9 3 0.6 F
2 3 F
V(bcbaa,t) b c
1
1*0.3
Ini
0.2
1
0.1
1 0.5
2 3 F
2 0.9 3 0.6 F
V(bcbaa,t) b c
1
0.3
Ini
0.2
1
0.1
(0.3)*(0.2*0.7)
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.0
V(bcbaa,t) b c
1
0.3
Ini
0.2
1
0.1
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
(0.3)*(0.5*0.1)
0.0
V(bcbaa,t) b c
1
0.3
Ini
0.2
1
0.1
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.0
(0.3)*(0.3*0.0)
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
(0.042)*(0.2*0.3)
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
(0.042)*(0.5*0.6)
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
(0.042)*(0.3*0.0)
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
(0.042)*(0.2*0.3)
1
0.5 2 0.9 3 0.6 F
2 3 F
0.015
0
(0.042)*(0.5*0.6)
(0.042)*(03*0.0 )
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
0.0025
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
0.0126
0.000
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
0.0025
0.0126*(0.1*0.0)
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
0.0126
0.000
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
0.0025
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
0.0126
0.000
0.0126*(0.0*0.3)
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
0.0025
1 0.5
2 3 F
2 0.9 3 0.6 F
0.0
0.015
0.0126
0.000 0.0126*(0.9*1.0)
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
0.0025
0.00
1 0.5
2
0.9
2 3 0.6 F
0.0
0.015
0.0126
0.000
0.0004 0.0113
3 F
0.0
0.000
V(bcbaa,t) b c
1
0.3 0.042
Ini
0.2
1
0.1
0.0025
0.00
0.00
1 0.5
2
0.9
2 3 0.6 F
0.0
0.015
0.0126
0.000
0.0004 0.0113
3 F
0.0
0.000